Machine learning and SHAP-based prediction of depression among residents in Gansu Province

अवसाद एक भारी बोझ है जो दुनिया भर के लाखों लोगों को प्रभावित करता है, जो अक्सर खुशी महसूस करने या शांति से सोने की क्षमता को छीन लेता है। दशकों से, डॉक्टर और शोधकर्ता यह पता लगाने की कोशिश कर रहे हैं कि जोखिम में कौन है, इसके लिए वे सीधी-रेखा वाले संबंधों (straight-line connections) को देखते आए हैं: यदि किसी व्यक्ति को एक समस्या है, तो इस बात की अधिक संभावना है कि उसे दूसरी भी होगी। उन्होंने माना था कि नींद की अधिक समस्या का अर्थ अधिक उदासी होगा, या मानसिक स्वास्थ्य के बारे में अधिक जानना हमेशा मददगार होता है। लेकिन मानव मस्तिष्क इतना सरल नहीं होता। कभी-कभी, जोखिम कारक और बीमारी के बीच का संबंध घुमावदार होता है, या यह इस पर निर्भर करता है कि आप कौन हैं। इन छिपे हुए पैटर्न को खोजने के लिए, वैज्ञानिक अब एक नए प्रकार के उपकरण की ओर मुड़ रहे हैं: मशीन लर्निंग। पारंपरिक गणित के विपरीत, जो डेटा को साफ-सुथरी, सीधी रेखाओं में फिट करने के लिए मजबूर करता है, ये कंप्यूटर प्रोग्राम वास्तविक दुनिया की अव्यवस्थित जानकारी से सीख सकते हैं ताकि उन जटिल आकृतियों और संबंधों को देख सकें जिन्हें इंसान शायद मिस कर दें। लक्ष्य केवल यह भविष्यवाणी करना नहीं है कि किसे बीमारी हो सकती है, बल्कि यह समझना है कि वास्तव में क्यों, ताकि सही समय पर सही लोगों को मदद दी जा सके।

उत्तर-पश्चिमी चीन के गांसु प्रांत के विशाल और विविध परिदृश्यों में, शोधकर्ताओं की एक टीम ने इस नए दृष्टिकोण का परीक्षण करने के लिए हाथ बढ़ाया। उन्होंने 14,000 से अधिक निवासियों से विस्तृत जानकारी एकत्र की, जिसमें उनकी नींद, मानसिक स्वास्थ्य के प्रति उनके दृष्टिकोण, उनकी दैनिक आदतों और उनके समग्र कल्याण के बारे में सवाल पूछे गए। टीम एक ऐसा मॉडल बनाना चाहती थी जो अवसाद से जूझ रहे लोगों की सटीक पहचान कर सके, जो एक ऐसी स्थिति है जो अक्सर गंभीर होने तक अनसुनी रह जाती है। उन्होंने इस विशाल मात्रा में डेटा को पांच अलग-अलग कंप्यूटर लर्निंग सिस्टम में डाला, उन्हें अवसाद के सूक्ष्म संकेतों को पहचानने के लिए प्रशिक्षित किया। प्रत्येक सिस्टम का कड़ाई से परीक्षण करने के बाद, उन्होंने पाया कि एक विशिष्ट एल्गोरिदम, जिसे XGBoost के रूप में जाना जाता है, सबसे अच्छा प्रदर्शन करता है। यह 0.7 का AUC प्राप्त करने में सक्षम था, जो पुराने तरीकों की तुलना में एक महत्वपूर्ण सुधार है जो अक्सर इन मामलों को मिस कर देते थे। यह सफलता महत्वपूर्ण थी क्योंकि एक सामुदायिक सेटिंग में, मदद की जरूरत वाले व्यक्ति को पहचानने में चूक जाना, किसी ऐसे व्यक्ति को चिह्नित करने से कहीं अधिक बुरा है जिसे मदद की आवश्यकता नहीं है।

एक बार जब सबसे अच्छा मॉडल चुन लिया गया, तो शोधकर्ताओं ने कुछ और भी महत्वपूर्ण किया: उन्होंने कंप्यूटर से उसकी सोच समझाने के लिए कहा। मशीन लर्निंग मॉडल को अक्सर "ब्लैक बॉक्स" कहा जाता है क्योंकि वे यह दिखाए बिना उत्तर देते हैं कि वे वहां तक कैसे पहुंचे। इसे हल करने के लिए, टीम ने SHAP नामक एक तकनीक का उपयोग किया, जो भविष्यवाणी को तोड़कर यह दिखाता है कि प्रत्येक कारक ने परिणाम में कितना योगदान दिया। कंप्यूटर ने एक आश्चर्यजनक सच्चाई का खुलासा किया: अवसाद का सबसे शक्तिशाली भविष्यवक्ता आयु, लिंग या आय नहीं था, बल्कि अनिद्रा (insomnia) था। हालांकि, नींद की कहानी सरल नहीं थी। डेटा ने दिखाया कि जैसे-जैसे नींद खराब होती गई, अवसाद का जोखिम केवल बढ़ता ही नहीं गया। इसके बजाय, खतरा उन लोगों के लिए चरम पर था जिन्हें मध्यम नींद की समस्या थी। जिन लोगों को सबसे गंभीर अनिद्रा थी, वास्तव में इस विशिष्ट स्नैपशॉट में अवसाद का कम जोखिम दिखा। शोधकर्ता सुझाव देते हैं कि ऐसा इसलिए हो सकता है क्योंकि जो लोग सबसे गंभीर नींद की समस्याओं से जूझ रहे हैं, वे या तो पहले से ही उपचार प्राप्त कर रहे हैं, जो उनके वर्तमान अवसाद को कम करता है, या वे इतने कार्यात्मक रूप से अक्षम हैं कि वे सामुदायिक सर्वेक्षणों में भाग नहीं ले सकते। इस बीच, जो लोग बीच में हैं—जो अपनी नींद से परेशान हैं लेकिन अभी तक चिकित्सा सहायता नहीं ले रहे हैं—वे एक महत्वपूर्ण खिड़की का प्रतिनिधित्व करते जहाँ प्रारंभिक हस्तक्षेप एक गहरे संकट को रोक सकता है।

अध्ययन ने यह भी उजागर किया कि लोग मानसिक स्वास्थ्य के बारे में कैसा महसूस करते हैं और उनके वास्तविक जोखिम के बीच एक जटिल संबंध है। शोधकर्ताओं ने "मानसिक स्वास्थ्य साक्षरता" को मापा, जिसमें यह शामिल है कि लोग मानसिक बीमारी के बारे में क्या जानते हैं और मदद लेने के बारे में वे कैसा महसूस करते हैं। उन्होंने पाया कि मानसिक स्वास्थ्य के प्रति एक मध्यम, कुछ हद तक चिंतित दृष्टिकोण रखना वास्तव में सबसे खतरनाक स्थिति थी। लोग जो अपनी भावनात्मक समस्याओं के प्रति जागरूक थे लेकिन उस ज्ञान पर अमल करने के लिए आत्मविश्वास या संसाधनों की कमी रखते थे, वे उच्चतम जोखिम पर थे। यह ऐसा ही था जैसे वे एक चट्टान के किनारे खड़े हों, खतरे को देख रहे हों लेकिन पीछे हटने में असमर्थ हों। इसके विपरीत, जिन लोगों में मानसिक स्वास्थ्य के प्रति बहुत कम चिंता थी, वे अक्सर सुरक्षित थे, शायद इसलिए क्योंकि वे अपनी समस्याओं पर बहुत अधिक विचार (ruminating) नहीं कर रहे थे, जबकि उच्च ज्ञान और सकारात्मक दृष्टिकोण वाले लोग बेहतर ढंग से मुकाबला करने के लिए सुसज्जित थे। इसने डेटा में एक घुमावदार, उल्टा-U आकार बनाया, जो साबित करता है कि केवल मानसिक स्वास्थ्य के बारे में अधिक जानना हमेशा सुरक्षा का सीधा रास्ता नहीं होता; एक व्यक्ति का दृष्टिकोण उतना ही मायने रखता है जितना कि वह तथ्य जो वह जानता है।

शायद सबसे अधिक प्रकट करने वाली खोज यह थी कि ये कारक एक साथ कैसे काम करते हैं। शोधकर्ताओं ने पाया कि अनिद्रा और मानसिक स्वास्थ्य के प्रति नकारात्मक दृष्टिकोण एक खतरनाक संयोजन की तरह कार्य करते हैं। जब एक व्यक्ति नींद की समस्या से जूझता है और साथ ही मदद लेने के प्रति नकारात्मक दृष्टिकोण रखता है, तो उसका अवसाद का जोखिम दोनों जोखिमों को जोड़ने से कहीं अधिक तेजी से बढ़ जाता है। कंप्यूटर ने दिखाया कि ये दो कारक एक-दूसरे को बढ़ा देते हैं, जिससे एक पूर्ण तूफान (perfect storm) पैदा होता है। दूसरी ओर, उम्र ने एक अलग भूमिका निभाई। जैसे-जैसे लोग बूढ़े होते गए, अनिद्रा और अवसाद के बीच का संबंध कमजोर होता गया। युवा और मध्यम आयु वर्ग के वयस्कों के लिए, नींद की समस्या एक बड़ा चेतावनी संकेत थी, लेकिन वृद्धों के लिए, इसका प्रभाव कम गंभीर था। यह सुझाव देता है कि जबकि नींद की समस्याओं वाले युवा व्यक्ति को तत्काल ध्यान की आवश्यकता होती है, उसी तरह की समस्याओं वाले वृद्ध व्यक्ति को एक अलग प्रकार के सहयोग की आवश्यकता हो सकती है, शायद केवल नींद के बजाय सामाजिक जुड़ाव या शारीरिक स्वास्थ्य पर केंद्रित।

गांसु के निष्कर्ष सामुदायिक स्वास्थ्य के लिए एक स्पष्ट मार्ग प्रदान करते। शोधकर्ताओं ने निष्कर्ष निकाला कि हमें अवसाद के लिए सरल, सीधी-रेखा वाले कारणों को देखना बंद करना चाहिए और इन जटिल, घुमावदार संबंधों को देखना शुरू करना चाहिए। सबसे प्रभावी रणनीति उन विशिष्ट लोगों को लक्षित करना होगा जिनके पास मध्यम नींद की समस्या है और जो मानसिक स्वास्थ्य के प्रति नकारात्मक दृष्टिकोण रखते हैं। इन व्यक्तियों को उनकी नींद प्रबंधित करने में मदद करके और मदद लेने के बारे में उनकी मानसिकता को बदलकर, समुदाय भविष्य के मामलों की एक बड़ी संख्या को रोक सकता है। अध्ययन यह सिद्ध करता है कि डेटा को सुनने के लिए उन्नत कंप्यूटर उपकरणों का उपयोग करके, हम पुराने अनुमानों से आगे बढ़ सकते हैं और उन सूक्ष्म पैटर्न को पा सकते हैं जो हमारे मानसिक कल्याण को नियंत्रित करते हैं। यह दृष्टिकोण केवल भविष्य की भविष्यवाणी नहीं करता है; यह उन विशिष्ट कदमों को भी आलोकित करता है जिन्हें हम आज अपने पड़ोसियों के मन की रक्षा के लिए उठा सकते हैं।